关键词： 中国兵工学会   重点科研项目   基金项目   光电信息   传感技术   图像处理   ISSN   中北大学  

摘要： 《测试技术学报》(ISSN1671-7449 CN14-1301/TP)由中北大学和中国兵工学会主办,是“中国兵工学会测试技术学会”会刊,刊登有关测试技术的重点科研项目、基金项目的研究成果以及兵器及民用测试的应用技术,是“中国科技核心期刊”。本刊稿件来源于全国各大高校、研究院所及国外一些大学,在国内本专业学者中受到高度重视,重点关注测试技术与理论研究、光电信息与传感技术、故障检测、信号检测、数据采集、图像处理、通信技术等领域。

关键词： YOLOv5s   特征金字塔   注意力机制   大卷积核  

摘要： 针对雾天场景下目标检测方法存在漏检、遮挡、准确率低等问题,提出一种基于多尺度特征融合的雾天目标检测算法YOLO-CL-CA。首先,在数据预处理阶段,利用AOD-Net模型对RTTS数据集进行去雾操作,提高图像的细节信息;其次,引入集中式特征金字塔CFPNet(Centralized Feature Pyramid)以深层特征调控浅层特征,捕获图像的关键局部区域,增强模型的图像特征利用能力;然后,在输出层前加入CA注意力机制(Coordinate Attention),提高模型捕获小目标特征能力;最后,结合大卷积核构造LKC3模块,改善因遮挡导致的漏检问题。实验结果表明:本算法的精确率和m AP0.5为90.6%和81.7%,比YOLOv5s算法分别提高了4.2%和1%,证明改进算法对雾天目标检测具有有效性和实用性。

关键词： 深度学习   计算机视觉   “三维视觉—语言”推理   跨模态学习   视觉定位   密集字幕生成   视觉问答   场景生成  

摘要： 三维视觉推理的核心思想是对点云场景中的视觉主体间的关系进行理解。非专业用户难以向计算机传达自己的意图,从而限制了该技术的普及与推广。为此,研究人员以自然语言作为语义背景和查询条件反映用户意图,进而与点云的信息进行交互以完成相应的任务。此种范式称做“三维视觉—语言”推理,在自动驾驶、机器人导航以及人机交互等众多领域广泛应用,已经成为计算机视觉领域中备受瞩目的研究方向。过去几年间,“三维视觉—语言”推理技术迅猛发展,呈现出百花齐放的趋势,但是目前依然缺乏对最新研究进展的全面总结。本文聚焦于两类最具代表性的研究工作,锚框预测和内容生成类的“三维视觉—语言”推理技术,系统性概括领域内研究的最新进展。首先,本文总结了“三维视觉—语言”推理的问题定义和现存挑战,同时概述了一些常见的骨干网络。其次,本文按照方法所关注的下游场景,对两类“三维视觉—语言”推理技术做了进一步细分,并深入探讨了各方法的优缺点。接下来,本文对比分析了各类方法在不同基准数据集上的性能。最后,本文展望了“三维视觉—语言”推理技术的未来发展前景,以期促进该领域的深入研究与广泛应用。

关键词： 羊群   群体决策   同步   智慧畜牧   目标跟踪   YOLO v5   DeepSORT  

摘要： 随着畜牧养殖智能化监控技术的产业化应用,进一步提升畜禽养殖的分类施策精细化管理,成为现代畜牧业精细高效养殖管理的新需求。采用固定机位、多角度视频采集技术,实时记录羊群牧食过程中的游走行为;针对羊群游走视频中易出现遮挡的复杂情况,设计了基于YOLO v5模型的羊群多目标检测模型,羊群游走过程中的多目标实时跟踪识别率可达90.63%;采用羊群游走多目标轨迹跟踪DeepSORT算法,通过提取羊目标的深度表观特征,计算出羊群游走轨迹和变化节拍规律。结果表明,羊的游走过程通常为慢走、快走和疾走3种方式,单只羊的游走过程通常是不固定的随机组合。在中大规模羊群中,由于亲缘关系结构的复杂性,羊群往往分化为多个小群体,这使得从整体上观察和分析羊群行为变得异常困难。为此,聚焦于小规模羊群进行研究,通过羊群散列、聚集和同步3个游走过程分析,初步验证了羊群游走节拍周期上的同步现象。

关键词： 目标检测   轻量级   YOLOv5s   Ghost卷积  

摘要： 车辆行人检测是智能交通的重要组成部分。针对现有车辆检测算法模型容量大、参数量较多、占用内存大,难以在智能交通场景中适用于算力和内存均有限的边缘设备的问题,提出了一种基于YOLOv5s算法改进的轻量级目标检测网络。首先,将YOLOv5s网络的卷积模块更换成Ghost卷积,以此减少计算量和参数量;其次,采用改进的加权双向特征金塔网络(BiFPN)结构和非极大值抑制(NMS)算法提高模型的精确度;最后,通过Real-world Task-Driven Testing Set(RTTS)雾天数据集对该方法进行模型训练及验证,以测试模型的有效性。实验结果表明,改进YOLOv5的轻量化雾天检测模型在分辨率为640×640的图像上平均检测精度达88.5%,模型大小约为7.5 M,浮点型计算量为8.20 GFLOPs。与原YOLOv5s网络相比,模型大小减少了46.4%,浮点型计算量压缩到原来的52%,精确度提高0.9%,回归率提高0.5%,平均精度提升1.1%。改进后的车辆检测算法在模型轻量化的同时不仅能够保证较高的检测精度,而且能够满足在算力资源有限的边缘设备进行车辆检测的需求。

关键词： 星敏感器   光学畸变   在轨标定   B样条算法   图像处理  

摘要： 星敏感器长期在轨运行时,畸变会逐渐积累,因此对星敏感器进行在轨标定很有必要。目前,大多数星敏感器在轨标定算法仅依赖于星间角距的不变性,并需要较长的标定时间。本文算法的创新性在于利用星间角距关系和星点像素位置关系,将畸变信息解耦为粗校准的参数化信息和精校准的非参数化信息。充分考虑到星敏感器的工作性质,利用B样条算法的特点,使得连续的在轨校正仅需极少的时间。相较于目前常用的地面标定算法,本文算法在实现更准确的星点位置校正和更精确的姿态输出精度的前提下,训练完全部数据只需要几百毫秒的时间。在经过本文算法的标定后,在轨星敏感器的星点位置偏差由0.55766 pixel降低为0.23706 pixel,测量精度由5.857″提高到2.775″,这为未来低成本卫星搭载非专业化设计的星敏感器提供了一定的算法参考。

关键词： 深度学习   场景文字识别技术   图像处理   目标检测   文字识别  

摘要： 基于深度学习的场景文字识别技术(Scene Text Recognition,STR)应用广泛但性能尚需提升。针对现有的STR技术对小目标文字识别不准确和中文、中英文混合准确率低的问题,通过改进模型增加104×104的特征尺度,用Focal Loss和GIOU Loss作为损失函数来优化目标检测框,将卷积块注意力模块(Convolutional Block Attention Module,CBAM)嵌入到卷积层中,使网络在特定位置和通道上更加关注目标,抑制其余复杂背景信息以此来提高模型的文字检测能力;分析中文的文字特征,对CRNN的特征提取网络改进优化,提高了原有模型对中文、中英文混合识别的准确性。实验结果表明,通过对文字检测与识别模型和算法的改进优化,大大提高了场景文字识别技术的准确性和鲁棒性。

关键词： 人工智能技术   图像处理   天气预报   气象领域   蝴蝶效应   大气运动   短时预报   气候模拟  

摘要： 天气预报一直是一个复杂而充满挑战的领域.由于大气系统是高度非线性,即使极其微小的变化也可能对大气运动产生不可预知的扰动,这种大气中普遍存在的“蝴蝶效应”也正是天气预报的难点所在[1].长期以来,天气预报主要依赖于传统的数值天气预报模型.随着具有非线性学习能力的深度学习技术的崛起,气象领域开始应用人工智能模型.人工智能(artificial intelligence,AI)模型在短时预报、气象图像处理以及气候模拟等在内的多个气象领域的应用均有重要的突破[2,3].

关键词： 目标检测   语义特征   特征增强   八度卷积  

摘要： 针对目标检测算法中图像边缘细节等高频特征提取不充分而导致检测效果较差的问题,提出一种目标检测语义特征增强网络(SFENet)。利用八度卷积构建高频语义特征增强模块,通过调节卷积特征中高低频分量来增强图像高频特征提取,从而捕捉更多的图像边缘细节信息,进一步加强网络对全局语义特征的理解,有效提升目标检测精度。实验结果表明:SFENet在Pascal VOC07+12数据集和自制锥桶数据集上的检测结果与YOLOv4相比,平均精度(mAP)分别提高0.34%和0.37%,适应于自动驾驶和机器视觉领域,可有效应用于中国大学生无人驾驶方程式大赛的环境感知任务(FSAC)。

关键词： 车辆检测   深度学习   损失函数   特征增强   图像处理   神经网络   智能交通  

摘要： 针对现有目标检测在智能交通系统和自动驾驶等领域存在车辆目标检测精度低、鲁棒性较差等问题,提出一种基于YOLOv5的车辆目标检测算法。在YOLOv5s网络模型框架中,添加注意力机制增强特征,提取重要特征;添加小目标检测层提升对遮挡重叠弱小目标识别的准确率;引入金字塔池化(SPPFCSPC),提高网络空间特征提取能力;引入损失函数(SIoU_Loss)加快边界框回归速率,提高定位精度,消除重叠检测。基于自制车辆检测数据集进行实验,其结果表明,改进网络模型与原YOLOv5s网络模型相比,不同目标类的平均准确率均有明显提高,平均准确率均值提升3.25%,查准率提高4.14%,召回率提高3.05%,检测速度满足实时性要求。